一种新的AI工具能够更准确地预测传染病的传播，其表现优于现有的最先进的预测方法。
该工具由约翰斯·霍普金斯大学和杜克大学的研究人员在联邦支持下创建，可能会彻底改变公共卫生官员预测、跟踪和管理包括流感和COVID-19在内的传染病爆发的方式。
“COVID-19揭示了由于不断变化的复杂因素相互作用而预测疾病传播的挑战，”约翰斯·霍普金斯大学的建模专家Lauren Gardner说，她创建了在疫情期间被全世界依赖的COVID-19仪表板。“当条件稳定时，模型表现良好。然而，当新变种出现或政策发生变化时，我们无法很好地预测结果，因为我们没有建模能力来包含关键类型的信息。这个新工具填补了这一空白。”
这项工作于今天发表在《自然计算科学》杂志上。
“当新的[COVID-19]变种出现或政策发生变化时，我们无法很好地预测结果，因为我们没有建模能力……这个新工具填补了这一空白。”——Lauren Gardner
在冠状病毒大流行期间，支撑新工具的技术并不存在。团队首次使用大型语言模型（最著名的是ChatGPT中使用的生成式AI）来预测疾病的传播。
该模型名为PandemicLLM，它不仅将预测视为一个数学问题，还考虑了诸如最近感染激增、新变种和口罩令等输入信息。
团队向模型提供了大量信息，包括从未用于大流行预测工具的数据，并发现PandemicLLM能够准确预测一到三周内的疾病模式和住院趋势，始终优于其他方法，包括CDC的CovidHub上的最高性能方法。
“在疾病预测中，一个紧迫的挑战是试图找出是什么驱动了感染和住院人数的激增，”Gardner说，“并将这些新的信息流纳入建模。”
该模型依赖于四种类型的数据：
- 州级空间数据，包括人口统计学、医疗系统和政治归属的信息
- 流行病学时间序列数据，如报告病例、住院和疫苗接种率
- 公共卫生政策数据，包括严格性和政府政策类型
- 基因组监测数据，包括关于疾病变种特征及其流行程度的信息
在消化这些信息后，该模型可以预测各种元素如何结合在一起影响疾病的行为。
为了测试它，团队回顾性地将其应用于COVID-19大流行，在19个月内对每个美国州进行了详细分析。与其他模型相比，当疫情处于波动状态时，新工具特别成功。
“传统上，我们用过去来预测未来，”约翰斯·霍普金斯大学土木与系统工程助理教授Hao "Frank" Yang说，他专门研究可靠的AI。“但这并没有给模型提供足够的信息来理解和预测正在发生的事情。相反，这个框架使用了新的实时信息类型。”
有了必要的数据，该模型可以适应任何传染病，包括禽流感、猴痘和RSV。团队现在正在探索LLM复制个人如何做出健康决策的能力，希望这样的模型可以帮助官员设计更安全、更有效的政策。
“我们知道从COVID-19中需要更好的工具，以便我们能够告知更有效的政策，”Gardner说。“将会有另一场大流行，这些类型的框架对于支持公共卫生响应至关重要。”
(全文结束)
